張志威，程軍圣

（湖南大學(xué)機(jī)械與運(yùn)載工程學(xué)院，湖南 長(zhǎng)沙 410006）

1 引言

根據(jù)2018年中華人民共和國(guó)最高人民法院發(fā)布的《第二屆司法大數(shù)據(jù)專(zhuān)題分析課題之機(jī)動(dòng)車(chē)交通事故責(zé)任糾紛案件》專(zhuān)題摘要顯示，2012年1月1日至2017年6月30日期間，全國(guó)各級(jí)人民法院一審審結(jié)的交通事故案件達(dá)449.1萬(wàn)余件，而事故誘因排在前三名的分別是無(wú)證駕駛、酒后駕駛以及開(kāi)車(chē)玩手機(jī)。對(duì)于前兩項(xiàng)違規(guī)駕駛行為均可以通過(guò)法律和臨檢的方式進(jìn)行規(guī)范，但對(duì)于開(kāi)車(chē)玩手機(jī)、交談、取物、進(jìn)食等違規(guī)操作，因?yàn)槠渚哂谐掷m(xù)時(shí)間短，不易檢測(cè)，難以管控等特點(diǎn)而成為一個(gè)難題。因此針對(duì)行車(chē)過(guò)程中的駕駛行為異常檢測(cè)并予以警示顯得尤為必要。

目前，對(duì)于駕駛員異常行為檢測(cè)的方法一般分為三類(lèi)[1]，即通過(guò)駕駛員的生理指標(biāo)（如生理電信號(hào)）、駕駛員行為特征以及車(chē)輛行為特征來(lái)判斷駕駛行為是否規(guī)范。其中，對(duì)于駕駛員行為特征的分析可以較為直觀和準(zhǔn)確的分析駕駛員的行為狀態(tài)。文獻(xiàn)[2]利用智能手表和健身追蹤器等腕式慣性傳感器跟蹤方向盤(pán)的使用情況和輸入，依賴(lài)運(yùn)動(dòng)特征區(qū)別其他手部運(yùn)動(dòng)并推算出方向盤(pán)轉(zhuǎn)角，以此檢測(cè)不安全駕駛行為，但這種方法僅限于檢測(cè)手部具有動(dòng)態(tài)活動(dòng)的異常駕駛行為。文獻(xiàn)[3]建立了一個(gè)非侵入式系統(tǒng)，基于視覺(jué)采集了手臂位置、眼睛狀態(tài)、面部表情以及面部朝向等特征并利用隨機(jī)森林分類(lèi)器對(duì)駕駛行為進(jìn)行判別，該方法采集多通道信息共同配合完成對(duì)駕駛行為的判別，系統(tǒng)復(fù)雜度高。文獻(xiàn)[4]通過(guò)手機(jī)前后攝像頭采集駕駛員和路況信息，設(shè)計(jì)CarSafe應(yīng)用APP實(shí)現(xiàn)對(duì)駕駛員不規(guī)范駕駛行為的檢測(cè)，該方法僅用于檢測(cè)駕駛員疲勞駕駛、醉酒駕駛和玩手機(jī)等不規(guī)范行為。文獻(xiàn)[5]利用FaceLAB采集視覺(jué)數(shù)據(jù)，基于FaceLAB工作機(jī)制和人眼屈光度推導(dǎo)出頭部旋轉(zhuǎn)與眼睛固定點(diǎn)之間的相關(guān)性，以此來(lái)研究具有多年駕齡的駕駛員和駕駛新手視覺(jué)特征之間的差異。文獻(xiàn)[6]提出了基于膚色分割與Ada‐Boost算法相結(jié)合的人臉檢測(cè)算法，用于人臉跟蹤的尺度自適應(yīng)KCF目標(biāo)跟蹤算法以及YCbCr膚色提取與膚色閾值相結(jié)合的手部圖像檢測(cè)方法，結(jié)合臉部特征以及手部特征共同判斷駕駛行為異常狀態(tài)。上述研究中較少?gòu)囊曈X(jué)角度對(duì)駕駛員肢體特征進(jìn)行深入分析，但往往視覺(jué)角度中駕駛行為特征最為明顯，因此以視覺(jué)角度對(duì)駕駛員行為特征展開(kāi)研究。

基于視覺(jué)，通過(guò)安裝在儀表盤(pán)上的攝像頭采集圖像數(shù)據(jù)。為了能獲取完整的行為特征信息，圖像采集區(qū)域需包括整個(gè)駕駛座，那么圖像數(shù)據(jù)中便存在人的特征、窗外風(fēng)景以及車(chē)內(nèi)飾等許多冗余信息，并且說(shuō)話(huà)、回頭、取物、玩手機(jī)等異常的駕駛行為在行車(chē)過(guò)程中并不會(huì)持續(xù)過(guò)長(zhǎng)時(shí)間，因此會(huì)存在異常駕駛行為數(shù)據(jù)量較少的問(wèn)題。對(duì)于小批量的高維數(shù)據(jù)分類(lèi)，線性支持高階張量機(jī)（SHTM）[7]能夠有一個(gè)好的分類(lèi)效果，但對(duì)于異常駕駛行為檢測(cè)中數(shù)據(jù)存在較多冗余信息的問(wèn)題，SHTM不能完全滿(mǎn)足分類(lèi)要求。針對(duì)該問(wèn)題，本文擬采用卷積神經(jīng)網(wǎng)絡(luò)中的經(jīng)典模型—視覺(jué)幾何群19網(wǎng)絡(luò)（VGG19）[8]對(duì)圖像數(shù)據(jù)進(jìn)行特征提取。但由于數(shù)據(jù)集樣本數(shù)較小，對(duì)VGG19的訓(xùn)練效果較差，不能達(dá)到較好的特征提取效果。為了解決這一問(wèn)題引入遷移學(xué)習(xí)方法[9-10]。因此，基于遷移學(xué)習(xí)方法，提出VGG19和SHTM相結(jié)合的遷移VGG-SHTM算法，并用于駕駛行為異常檢測(cè)。為了檢驗(yàn)遷移VGG-SHTM方法的有效性，邀請(qǐng)十位駕駛?cè)藛T進(jìn)行駕駛行為異常檢測(cè)實(shí)驗(yàn)，并對(duì)比SHTM、VGG19和遷移VGG-SHTM三種方法在實(shí)驗(yàn)中的表現(xiàn)。

2 遷移VGG-SHTM原理

2.1 基本定義

在介紹方法之前，根據(jù)機(jī)器學(xué)習(xí)以及信號(hào)處理相關(guān)的領(lǐng)域[11-12]對(duì)方法中所涉及到的概念進(jìn)行定義，相關(guān)的符號(hào)表示方法，如表1所示。

表1 符號(hào)列表Tab.1 List of Symbols

規(guī)定了符號(hào)的表示方法，下面來(lái)介紹一些基本的概念。

定義1（張量）一個(gè)N階張量A∈R I1×I2×…×I N，也稱(chēng)為是N維或者N模數(shù)組，I N是第N模態(tài)的維度。張量是一維向量和二維矩陣的高階泛化形式，向量也可稱(chēng)為是一階張量，矩陣則是二階張量。

定義2（內(nèi)積）類(lèi)似于向量間的內(nèi)積運(yùn)算一樣，兩個(gè)大小相同的張量A，B∈R I1×I2×…×I N，其內(nèi)積表示為定義如下：

定義3（外積）兩個(gè)張量A∈R I1×I2×…×I N和B∈RI 1'×I2'×…×IN'，其外積（張量積）表示為A°B，定義如下：

定義4（n-模積）張量A∈R I1×I2×…×I N和矩陣U∈R J n×I n的n-模積可以被表示為A×n U，結(jié)果為R I1×…×I n-1×J n×I n+1×…×I N空間下的張量結(jié)果，定義如下：

若有一個(gè)張量A∈R I1×I2×…×I N和一系列矩陣U∈R J n×I n，其中J n

定義5（CP分解）對(duì)于一個(gè)張量A∈R I1×I2×…×I N，它的CP分解（秩一分解）形式可以被表示為：

我們稱(chēng)式（4）為長(zhǎng)度為R的秩一分解或者說(shuō)是CP分解。如果R=1則A被稱(chēng)為秩一張量，如果R是組成張量A的秩一張量的最小值，則R被稱(chēng)為是張量A的秩，即R=rank(A)。另外，對(duì)于所有u i(N)和u j(N)都相互正交，其中i≠j，1≤i，j≤R，n=1，2，…，N，則說(shuō)張量A是可正交分解的。另外，中均采用交替最小二乘算法（ALS）［13］求解CP分解結(jié)果。

定義6（范數(shù)）張量A∈R I1×I2×…×I N的范數(shù)為張量中每個(gè)元素的平方和相加，然后再進(jìn)行開(kāi)方運(yùn)算，定義如下：

如果有兩個(gè)大小相同的張量A，B∈R I1×I2×…×I N，兩個(gè)張量間的距離定義為‖A-B‖F(xiàn)。注意到張量A和B間的距離等于他們向量化表達(dá)形式的歐幾里得距離。

2.2 SHTM原理

2.2.1 支持張量機(jī)

在一個(gè)含M個(gè)樣本的數(shù)據(jù)集{上采用支持張量機(jī)（STM）進(jìn)行二分類(lèi)，其中X m為第m個(gè)輸入樣本，y m為對(duì)應(yīng)第m個(gè)樣本的標(biāo)簽。對(duì)于支持張量機(jī)，處理二分類(lèi)問(wèn)題實(shí)質(zhì)上是處理N個(gè)帶有不等式約束的二次規(guī)劃問(wèn)題，第n個(gè)二次規(guī)劃問(wèn)題可以用式（6）～式（8）來(lái)表示［14］：

式中：w(n)—n個(gè)超平面的權(quán)重向量；b(n)—偏置；ξm(n)—第m個(gè)樣本對(duì)應(yīng)于w(n)的誤差；C—分類(lèi)誤差和分類(lèi)間隔間的權(quán)衡因子。

2.2.2 線性支持高階張量機(jī)

另外，根據(jù)張量的n-模積和內(nèi)積的定義，可以得到下式：

根據(jù)式（9）和（10），可將上述STM中提出的第N個(gè)二次規(guī)劃問(wèn)題轉(zhuǎn)化為下式：

利用拉格朗日乘子法對(duì)問(wèn)題進(jìn)行優(yōu)化，得到：

式中：αm、βm—拉格朗日算子。

求L(W，b，α，β，ξ)對(duì)W，b，ξm的偏導(dǎo)數(shù)，得到：

將式（15）～式（17）式帶入式（14），并求得拉格朗日乘子法的對(duì)偶問(wèn)題，如下所示：

式（18）中內(nèi)積計(jì)算并不能很好的獲取數(shù)據(jù)的結(jié)構(gòu)信息，考慮到CP分解能夠使張量具有更復(fù)雜和有意義的表達(dá)形式，特別是對(duì)于高階的張量，所以將CP分解融入到內(nèi)積計(jì)算中。根據(jù)CP分解定力，可以將X i和X j表示為根據(jù)內(nèi)積的定義，X i和X j的內(nèi)積計(jì)算如下：

將式（21）帶入到式（18）中，可以獲得下面的模型：

而對(duì)于測(cè)試樣本X的預(yù)測(cè)可以表示為：

至此，我們稱(chēng)模型（22）～（25）為線性支持高階張量機(jī)（SHTM）模型，它可以利用QP求解器或者SMO算法進(jìn)行優(yōu)化求解。

2.3 遷移VGG-SHTM方法

SHTM在處理冗余信息較多的復(fù)雜數(shù)據(jù)上，其分類(lèi)精度并不高。文獻(xiàn)［15］對(duì)SHTM進(jìn)行了改進(jìn)，利用多線性主成分分析（MPCA）［16］對(duì)輸入張量進(jìn)行降維為了去除冗余信息，提高計(jì)算速率，但并未在分類(lèi)準(zhǔn)確率上有明顯的提升效果。為了去除高階張量數(shù)據(jù)中的冗余信息，提高分類(lèi)精度，利用VGG19進(jìn)行有效特征提取，并引入遷移學(xué)習(xí)的方法，解決訓(xùn)練VGG19過(guò)程數(shù)據(jù)量較小的問(wèn)題。

2.3.1 VGG19

對(duì)比于其他的卷積神經(jīng)網(wǎng)絡(luò)方法，VGG19網(wǎng)絡(luò)采用3×3的小卷積核，通過(guò)增加卷積核數(shù)量在保證與其他卷積神經(jīng)網(wǎng)絡(luò)具有相同感受野的前提下，增加了網(wǎng)絡(luò)深度提升了網(wǎng)絡(luò)的性能。同時(shí)，因?yàn)閷?duì)部分層進(jìn)行了預(yù)初始化，使得VGG19能夠快速的收斂。VGG19的網(wǎng)絡(luò)結(jié)構(gòu)模型，如圖1所示?？蓪⑵浞譃閮蓚€(gè)部分：第一個(gè)部分對(duì)輸入的圖像樣本進(jìn)行特征提取，由卷積層、ReLU層和池化層組成；第二部分根據(jù)第一部分提取的特征信息對(duì)樣本進(jìn)行分類(lèi)，由全連接層、ReLU層、dropout層和softmax層組成。不同的層具有不同的功能：

圖1 VGG19網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network Structure of VGG19

卷積層：提取輸入數(shù)據(jù)特征并提供位置信息；

ReLU層：增加網(wǎng)絡(luò)的非線性關(guān)系使得網(wǎng)絡(luò)能解決更復(fù)雜的問(wèn)題；

池化層：保留主要特征，減少參數(shù)，防止過(guò)擬合，另外還可以保持旋轉(zhuǎn)或平移不變形；

全連接層：整合特征信息，并起到分類(lèi)器的作用；

dropout層：防止網(wǎng)絡(luò)過(guò)擬合；

softmax層：歸一化，輸出網(wǎng)絡(luò)預(yù)測(cè)樣本為每一類(lèi)的概率。

2.3.2 遷移學(xué)習(xí)

遷移學(xué)習(xí)是指一種領(lǐng)域中所學(xué)習(xí)的知識(shí)或者是經(jīng)驗(yàn)對(duì)另一個(gè)領(lǐng)域知識(shí)的學(xué)習(xí)或活動(dòng)的影響。而在深度學(xué)習(xí)領(lǐng)域中，則指的是將一個(gè)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)參數(shù)（權(quán)重、偏置）遷移到一個(gè)新的網(wǎng)絡(luò)模型中，再根據(jù)新的任務(wù)對(duì)網(wǎng)絡(luò)模型參數(shù)進(jìn)行調(diào)整。遷移學(xué)習(xí)方法可以加快網(wǎng)絡(luò)模型的訓(xùn)練進(jìn)程并提升網(wǎng)絡(luò)性能。

在對(duì)VGG19進(jìn)行訓(xùn)練時(shí)，異常駕駛行為訓(xùn)練樣本數(shù)不能滿(mǎn)足網(wǎng)絡(luò)的訓(xùn)練要求，這會(huì)嚴(yán)重影響VGG19中特征提取的效果。引入遷移學(xué)習(xí)方法對(duì)VGG19進(jìn)行訓(xùn)練的流程，如圖1所示。利用Ima‐geNet中的大規(guī)模數(shù)據(jù)集對(duì)VGG19網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，使其具有較強(qiáng)的特征提取能力，再將VGG19中樣本分類(lèi)的部分替換為新的全連接層、softmax層和分類(lèi)層構(gòu)成新的網(wǎng)絡(luò)模型，并用駕駛行為異常檢測(cè)的數(shù)據(jù)集對(duì)新的網(wǎng)絡(luò)模型進(jìn)行fine-tune（微調(diào)）操作。這種做法相比于直接用駕駛行為異常檢測(cè)的數(shù)據(jù)集對(duì)VGG19進(jìn)行訓(xùn)練，能獲得針對(duì)駕駛行為特征提取的能力更強(qiáng)的特征提取網(wǎng)絡(luò)層部分。

圖2 遷移學(xué)習(xí)原理Fig.2 Principle of Transfer Learning

2.3.3 遷移VGG-SHTM

針對(duì)SHTM算法在冗余信息較多的樣本上分類(lèi)精度差的問(wèn)題，利用VGG19對(duì)數(shù)據(jù)進(jìn)行特征提取，并引入遷移學(xué)習(xí)解決VGG19訓(xùn)練中樣本數(shù)較少的問(wèn)題，提出了遷移VGG-SHTM算法，其流程圖,如圖3所示。

圖3 遷移VGG-SHTM算法流程Fig.3 Algorithm Flow of Transfer VGG-SHTM

從圖3中可以看到遷移VGG-SHTM算法的結(jié)構(gòu)，其步驟如下：

（1）預(yù)訓(xùn)練，利用ImageNet數(shù)據(jù)庫(kù)中的100多萬(wàn)張圖像對(duì)VGG19網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至損失函數(shù)收斂；

（2）微調(diào)，將VGG19網(wǎng)絡(luò)后面的全連接層、softmax層和分類(lèi)層換成針對(duì)二分類(lèi)的網(wǎng)絡(luò)層，采用自己的數(shù)據(jù)集（駕駛行為訓(xùn)練集）對(duì)VGG19網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)；

（3）取微調(diào)完成的VGG19網(wǎng)絡(luò)全連接層前面的部分（特征提取部分），輸入自己的數(shù)據(jù)集，獲得樣本數(shù)據(jù)的特征張量；

（4）將第三步中獲得的特征張量數(shù)據(jù)輸入SHTM進(jìn)行訓(xùn)練。

至此，基于遷移學(xué)習(xí)訓(xùn)練好的VGG19網(wǎng)絡(luò)中的特征提取部分以及SHTM即為所提出的遷移VGG-SHTM算法。對(duì)比于原始的SHTM，遷移VGG-SHTM增加了對(duì)樣本的特征提取步驟并進(jìn)行了優(yōu)化，可以有效避免駕駛行為圖像中繁雜的背景噪聲，獲得更深層次的特征信息，提高準(zhǔn)確率；對(duì)比原始的VGG19網(wǎng)絡(luò)，它不需要大量的樣本數(shù)據(jù)去訓(xùn)練網(wǎng)絡(luò)就可以獲得一個(gè)較好的效果。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)說(shuō)明

實(shí)驗(yàn)中，對(duì)于VGG19和遷移VGG-SHTM，均在ImageNet數(shù)據(jù)庫(kù)上進(jìn)行預(yù)訓(xùn)練，在實(shí)驗(yàn)采集的駕駛行為訓(xùn)練數(shù)據(jù)集上進(jìn)行微調(diào)。實(shí)驗(yàn)均采用查全率（實(shí)際正例中被分類(lèi)為正例的比率）進(jìn)行評(píng)價(jià)。三種算法均在Matlab上進(jìn)行編譯，平臺(tái)運(yùn)行版本為Mat‐lab R2018b，并在操作系統(tǒng)為Windows7，GPU為NVIDIA GeForce RTX 2080Ti，運(yùn)行內(nèi)存為64G的臺(tái)式電腦上運(yùn)行。

3.2 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)通過(guò)安裝在副駕駛上的手機(jī)攝像頭進(jìn)行圖像獲取，記錄駕駛員分心時(shí)的行為舉止。該數(shù)據(jù)集總共邀請(qǐng)十位測(cè)試員，其中男生7人，女生3人，且每個(gè)人的衣著體型等外貌特征均有明顯差異。對(duì)于每位實(shí)驗(yàn)者，采集的圖像分為10類(lèi)，其中包括含目視前方、看左右后視鏡的正常駕駛行為（如圖4）以及玩手機(jī)、打電話(huà)、交談、后座取物、進(jìn)食、側(cè)向取物及照鏡子的異常駕駛行為，如圖5所示。實(shí)驗(yàn)中將其分為正常駕駛和異常駕駛兩類(lèi)，訓(xùn)練集和測(cè)試集中每類(lèi)包含90張，像素為640×480圖片。

圖4 正常駕駛行為Fig.4 Normal Driving Behavior

圖5 異常駕駛行為Fig.5 Abnormal Driving Behavior

3.3 參數(shù)設(shè)定

用實(shí)驗(yàn)所采集的駕駛員檢測(cè)數(shù)據(jù)集進(jìn)行微調(diào)之前，需要用新的全連接層、softmax層以及分類(lèi)層替換VGG19網(wǎng)絡(luò)結(jié)構(gòu)中的對(duì)樣本特征進(jìn)行分類(lèi)的部分。為了使新替代層中的學(xué)習(xí)速度快于遷移的層，應(yīng)將替代層中的權(quán)重學(xué)習(xí)因子和偏置學(xué)習(xí)因子設(shè)置為較大值，實(shí)驗(yàn)中均設(shè)置為20。另外，網(wǎng)絡(luò)中初始學(xué)習(xí)率設(shè)置為10-4。在SHTM中，現(xiàn)在沒(méi)有一種確定的方法求解CP分解的秩，利用駕駛行為檢測(cè)數(shù)據(jù)集，通過(guò)改變R的值對(duì)SHTM性能做了一個(gè)遍歷實(shí)驗(yàn)，最終平衡分類(lèi)精度和分類(lèi)時(shí)間，取R=17。

3.4 分類(lèi)性能

為了更準(zhǔn)確的對(duì)比SHTM、VGG19和遷移VGG-SHTM三種方法對(duì)于駕駛行為異常檢測(cè)的效果，總共進(jìn)行10次實(shí)驗(yàn)，每次實(shí)驗(yàn)分別在不同的訓(xùn)練∕測(cè)試集對(duì)上進(jìn)行，依次編為數(shù)據(jù)集（1～10）。每次實(shí)驗(yàn)訓(xùn)練集和測(cè)試集樣本數(shù)量均為180，訓(xùn)練∕測(cè)試集中正常和異常類(lèi)樣本數(shù)為90。按照3.3設(shè)置模型參數(shù)，進(jìn)行實(shí)驗(yàn)，所得實(shí)驗(yàn)結(jié)果，如表2所示。其中遷移VGG-SHTM方法的實(shí)驗(yàn)結(jié)果用黑體加粗。實(shí)驗(yàn)結(jié)果以表2的形式給出，為了更直觀的顯示實(shí)驗(yàn)結(jié)果，繪制10次實(shí)驗(yàn)中三種方法的駕駛行為異常分類(lèi)查全率曲線，如圖6所示。根據(jù)表2中的結(jié)果顯示，在各次實(shí)驗(yàn)中，SHTM最低的分類(lèi)查全率為80.00%，最高的分類(lèi)查全率為88.33%，平均分類(lèi)查全率為84.06%；VGG19最低的分類(lèi)查全率為78.33%，最高分類(lèi)查全率為92.22%，平均分類(lèi)查全率為87.28%；遷移VGGSHTM最低的分類(lèi)查全率為88.33%，最高的分類(lèi)查全率為93.89%，平均分類(lèi)查全率為91.39%。另外，三條曲線中黃色帶圓圈標(biāo)記的曲線代表遷移VGG-SHTM分類(lèi)查全率，基本處在最上方，如圖6所示。藍(lán)色帶菱形標(biāo)記的曲線代表VGG19的分類(lèi)查全率，基本處在中間的位置。最下面位置的紅色帶五角星標(biāo)記的曲線表示的是SHTM的分類(lèi)查全率。因此綜合表2和圖6中的實(shí)驗(yàn)結(jié)果，證明遷移VGG-SHTM在10次實(shí)驗(yàn)中的分類(lèi)查全率相較SHTM和VGG19是最高的，其分類(lèi)效果表現(xiàn)更好。

表2 駕駛行為異常檢測(cè)結(jié)果Tab.2 Test Results of Abnormal Driving Behavior

圖6 駕駛行為異常平均分類(lèi)查全率Fig.6 Average Classification Recall Rate of Abnormal Driving Behavior

另外，為了對(duì)算法穩(wěn)定性進(jìn)行分析，分別計(jì)算在整個(gè)實(shí)驗(yàn)過(guò)程中三種分類(lèi)方法的極差值和方差值結(jié)果，如表3所示。其中遷移VGG-SHTM的計(jì)算結(jié)果用加黑粗體表示。根據(jù)表3中的結(jié)果顯示，三種方法中，VGG19的分類(lèi)查全率方差為1.94%，排在第一，分類(lèi)查全率極差為13.89%，排在第一；SHTM的分類(lèi)查全率方差為0.52%，排在第二，分類(lèi)查全率極差為8.33%，排在第二；遷移VGG-SHTM的分類(lèi)查全率方差為0.27%，排在第三，分類(lèi)查全率極差為5.56%，排在第三。根據(jù)三種方法的極差值和方差值結(jié)果顯示，遷移VGG-SHTM在駕駛行為檢測(cè)數(shù)據(jù)集上的分類(lèi)結(jié)果最為穩(wěn)定，而VGG19的分類(lèi)結(jié)果跳動(dòng)幅度最大。

表3 三種分類(lèi)方法的差值結(jié)果Tab.3 Difference Results of Three Classification Methods

從實(shí)驗(yàn)結(jié)果可以看出，三種方法中SHTM的最高分類(lèi)查全率和平均分類(lèi)查全率是最低的，最低分類(lèi)查全率基本處于最差的水平。遷移VGG-SHTM的最高分類(lèi)查全率、最低分類(lèi)查全率和平均分類(lèi)查全率最高。而VGG19的最高分類(lèi)查全率和平均分類(lèi)查全率處于中等水平，最低分類(lèi)查全率處于最差水平。并且遷移VGG-SHTM的分類(lèi)查全率方差值和極差值最小，SHTM其次，而VGG19的分類(lèi)性能最不穩(wěn)定，具有最大分類(lèi)查全率極差值和最大分類(lèi)查全率方差值。表明對(duì)于駕駛行為異常分類(lèi)，SHTM的分類(lèi)性能最差，分類(lèi)效果比較穩(wěn)定；VGG19的分類(lèi)性能其次，但是其分類(lèi)準(zhǔn)確率跳動(dòng)性大；遷移VGG-SHTM的分類(lèi)性能最好，且穩(wěn)定性最高。實(shí)驗(yàn)證明，遷移VGG-SHTM方法能夠有效的進(jìn)行異常駕駛行為檢測(cè)。

4 結(jié)論

基于遷移學(xué)習(xí)方法，提出VGG19和SHTM相結(jié)合的遷移VGG-SHTM算法，并將其用于駕駛行為異常檢測(cè)中。針對(duì)駕駛行為檢測(cè)數(shù)據(jù)集，進(jìn)行駕駛行為異常檢測(cè)實(shí)驗(yàn)，通過(guò)對(duì)比SHTM、VGG19和遷移VGG-SHTM在數(shù)據(jù)集上的分類(lèi)效果，得出以下結(jié)論：（1）所提出的遷移VGG-SHTM算法能夠有效地克服冗余信息較多的圖像分類(lèi)問(wèn)題，對(duì)比SHTM算法，分類(lèi)精度得到了提升；（2）將遷移VGG-SHTM應(yīng)用于駕駛行為異常檢測(cè)中，獲得了很好的效果，證明了對(duì)于小批量的駕駛行為檢測(cè)數(shù)據(jù)集，該方法具有良好的分類(lèi)性能。